文遠知行拆分數據業務，押注“車外生意”

作者 | 周智宇

自動駕駛公司正在把車隊積累的能力，拿到汽車以外的物理世界里重新定價。

過去，Robotaxi公司的數據主要服務于車輛研發，采集、標注、仿真和模型訓練，最終都回到一件事：讓車在更多道路上安全運行。隨著具身智能和物理AI興起，這套數據生產能力開始面對新的客戶，機器人、物流設備和工業智能體都需要在真實環境中完成感知、決策和行動。

這改變了自動駕駛公司的競爭邊界。它們爭奪的，不只是車輛能否上路，也包括能否把長期積累的工程系統轉化為更多物理AI場景可以使用的基礎設施。

華爾街見聞從知情人士處獲悉，文遠知行已推動數據業務獨立運營，由全資子公司景爍承接。一位知情人士稱，景爍的業務定位是具身智能和數據基礎設施軟件服務，既包括數據生成、數據采集，也包括自有數據系統，目前積累的真實數據不只來自汽車場景。

對此，文遠知行方面在7月22日對華爾街見聞表示，暫無可披露信息。

文遠知行此次動作，意味著自動駕駛公司正將自己能力進行跨場景遷移，搭建起數據采集、處理、仿真、評測和模型迭代所形成的工程系統。

對整個Robotaxi行業來說，競爭正在從積累更多道路里程，轉向把道路上形成的能力做成可重復采購的產品。誰能讓這套系統在汽車之外持續產生訂單，誰才有機會從自動駕駛方案競爭，進入物理AI基礎設施競爭。

獨立運營

文遠知行這次拆出的，是一套圍繞數據生產和模型迭代的軟件服務。這也是文遠知行首次拆分出一個業務板塊，讓其獨立運營。

景爍成立于2024年5月，是文遠知行全資子公司，過去依托自動駕駛領域的經驗，建設AI數據閉環和解決方案體系。

景爍此前已經具備一定的數據服務和交付基礎，只是過去更多以文遠知行自動駕駛研發體系中的配套業務出現。

目前，景爍對外展示的業務已經進一步延伸。其AI平臺覆蓋原始數據、訓練數據和標注數據管理，也包括模型選擇、訓練、評估和部署；具身智能業務則覆蓋數據合成、遙操作數據采集和數據處理。

華爾街見聞了解到，景爍定位為具身智能和數據基礎設施軟件服務業務，覆蓋數據生成、數據采集和自有數據系統，且目前積累的真實數據并不只來自汽車。

景爍真正要賣的核心不是樣本數量，而是把真實世界數據變成訓練材料的能力。此外，數據采集只是其中一條路徑，真實數據進入系統后可以繼續生成仿真數據。

對機器人公司來說，這種能力的價值不在于多拿到一批道路視頻，而在于能否降低數據生產成本，并讓不同來源的數據進入同一套訓練和驗證流程。機器人行業缺的不是某一個場景的樣本，而是能夠持續生成高質量數據的系統。

前述知情人士稱，相關業務此前已經做了較長時間積累，近期經過評估后，才決定開始獨立運營，并進行融資。

也就是說，景爍并非從零開始尋找一個具身智能方向，而是把原有能力重新組織成面向外部客戶的業務。

景爍對2026年的收入目標是3億元。根據文遠知行財報，其2024年智能數據服務收入約為 5580萬元，2025年根據財報推算的數據為1.596億元。

華爾街見聞了解到，景爍近期已完成A輪融資。文遠知行內部判斷是，這塊業務需求較大，投資人對業務前景也比較有信心。此前，文遠知行還曾推動Robovan獨立融資，估值超4億美元。

Robovan和景爍的收入邏輯并不相同。Robovan面向的是車輛、物流運營和技術服務，客戶關心車輛能否交付、運營效率如何以及單車成本能否下降；景爍面向的則是數據生成、仿真和模型訓練服務，客戶需要的是能否接入自身模型和機器人本體。

不過二者都離不開WeRide One底座。WeRide One是文遠知行的自動駕駛通用技術平臺，負責支撐不同車型和場景的研發、部署與運營。

這正是景爍能夠被單獨拿出來的基礎：文遠知行已經擁有跨車型、跨場景復用技術的內部平臺，景爍要做的，是把這套平臺中的數據生產和工程能力進一步包裝成面向外部客戶的服務。

能力定價

數據業務獨立出來，短期內可能給資本市場帶來新的想象，但它不會自動變成一條已經兌現的新增長線。

對于Robotaxi公司來說，過去積累的真實道路數據、自動駕駛算法和運營經驗，首先服務于自己的車輛和車隊。把數據業務分拆出來，真正改變的是這部分能力的組織方式：它從內部研發成本，變成了一個可以單獨報價、單獨融資、單獨核算的業務。

景爍要面對的問題，也不是有沒有數據。

道路數據不能直接變成機器人數據。自動駕駛和具身智能的傳感器、動作空間、任務目標都不同，機器人還需要大量關于抓取、移動、操作和人機交互的數據。真正可能跨場景復用的，是數據治理、場景挖掘、仿真生成、模型評測和工程交付流程。

所以，Robotaxi公司能否進入具身智能數據業務，關鍵不在于把車上的數據簡單搬到機器人上，而在于能否把過去服務自動駕駛的工程方法，重新組織成適用于不同機器人本體和任務的數據產品。

這個市場已經出現相似動作。2026年6月，如祺出行旗下數據業務板塊發布具身智能數據平臺，嘗試把Robotaxi相關的數據能力拓展到機器人場景。

不同公司的差異，并不在于誰最早提出了物理AI，也不在于誰的宣傳口徑更接近大模型。更關鍵的區別是，有的公司把數據、世界模型和仿真能力繼續留在內部，服務車輛規模化和技術迭代；有的公司則進一步把這些能力拆成獨立業務，直接面對車外客戶。

2026年3月，沙利文發布的物理AI仿真及數據平臺報告認為，相關市場仍處于早期增長階段，平臺價值取決于下游應用的技術成熟度和商業化進程。報告同時提到，智能汽車和具身智能都在增加對長尾場景復現、傳感器仿真和算法閉環優化的需求。

另有具身機器人公司技術人士對華爾街見聞表示，訓練數據有限和仿真堆棧碎片化，是物理AI研發中最核心問題。盡管世界模型和仿真引擎可以壓縮訓練與評測周期，但最終仍要依賴真實場景落地。

這給景爍這樣的數據服務商提出了更高要求。單純提供標注人員和采集人員，容易變成按項目收費的人力服務；真正有產品屬性的，是能夠把真實數據、仿真數據、場景庫、模型評測和交付流程組合起來，降低客戶開發機器人的時間和成本。

野村證券在7月一份報告中指出，數據即服務可以按照小時或項目快速變現，但如果供應商缺乏模型評估和應用能力，后續可能被機器人企業自行整合。

這個判斷指向了數據業務的一個現實：數據采集容易被看見，持續提升模型效果的能力才更難外包。

這也是Robotaxi行業正在面對的新問題。過去，市場主要用車隊規模、運營里程、訂單和單車經濟性衡量這類公司；未來還要看，企業能否把長期研發投入轉成汽車之外的訂單，能否讓內部工具鏈變成外部客戶愿意持續購買的產品。

文遠知行拆分景爍，提供了一個觀察樣本。它要驗證的不是“具身智能”這個概念能否帶來短期關注，而是Robotaxi公司多年積累的數據和工程系統，能否從服務主業的研發投入，變成跨場景出售的能力。

如果這筆賬算得通，自動駕駛公司的競爭就會從誰的車隊規模更大，延伸到誰能把車隊里積累的數據和工程流程賣給更多物理AI客戶

訂單、復購和毛利，才會讓它們真正獲得新的定價。